Transkrypcja z rozróżnianiem głosów w czasie rzeczywistym: co nowe możliwości oznaczają dla posiedzeń i protokołów

Transkrypcja audio zmienia się szybciej niż większość urzędów zdążyła się nią zainteresować. Najnowszy kierunek to nie samo zamienienie mowy na tekst, ale robienie tego na żywo, z jednoczesnym rozróżnianiem, kto mówi. Diaryzacja, bo o niej mowa, przestaje być osobnym etapem obróbki nagrania. Wchodzi do głównego potoku przetwarzania i działa już podczas rozmowy, nie po jej zakończeniu. Przy cenie rzędu kilkudziesięciu centów za godzinę audio staje się to dostępne niemal dla każdej organizacji z budżetem na papier do drukarki.

Systemy obsługujące ponad dwudziestu mówców jednocześnie to istotna zmiana jakościowa. Sesja rady gminy z kilkunastoma radnymi, komisja z ekspertami, rozprawa administracyjna, spotkanie konsultacyjne z mieszkańcami, czyli dokładnie te scenariusze, które dotąd były trudne do automatycznej obróbki, teraz mieszczą się w standardowych parametrach produktów komercyjnych.

Co to oznacza dla polskich urzędów i instytucji publicznych

Protokołowanie posiedzeń to jeden z najbardziej czasochłonnych, a zarazem niedocenianych obowiązków administracyjnych. W wielu urzędach robi to pracownik odtwarzający nagranie fragmentami i wpisujący treść ręcznie. Automatyczna diaryzacja w czasie rzeczywistym oznacza, że protokół z oznaczeniem „kto powiedział co" może powstawać równolegle z obradami, a nie kilka dni po nich. To nie jest futurystyczna wizja, to kwestia konfiguracji gotowego API.

Dostępność to drugi istotny wątek. Ustawa o dostępności cyfrowej wymaga, żeby materiały audiowizualne były opatrzone napisami lub transkrypcją. Nagrania z posiedzeń organów kolegialnych, które trafiają na BIP, często tego wymogu nie spełniają, bo ręczne przygotowanie transkrypcji jest zbyt pracochłonne. Przy automatycznym przetwarzaniu bariera znika. Kilkadziesiąt minut nagrania kosztuje dosłownie grosze.

Warto też myśleć o wielojęzyczności. Modele trenowane na kilkudziesięciu językach radzą sobie z przełączaniem między nimi w trakcie jednej rozmowy. Dla urzędów w regionach z mniejszościami językowymi albo tych obsługujących cudzoziemców to funkcja, która wcześniej wymagałaby osobnej integracji lub w ogóle była poza zasięgiem.

• Protokoły z posiedzeń – automatyczny zapis z przypisaniem wypowiedzi do konkretnych osób, gotowy do edycji zaraz po zakończeniu obrad
• Dostępność cyfrowa – transkrypcje nagrań na BIP bez angażowania dodatkowych pracowników
• Obsługa konsultacji społecznych – zapis wielogłosowych spotkań z mieszkańcami z pełną historią wypowiedzi
• Archiwizacja – przeszukiwalny tekst zamiast pliku audio, który leży na dysku bez możliwości analizy

Pytanie, które słyszymy od instytucji, brzmi zwykle: „czy to nie jest zbyt skomplikowane technicznie?". Odpowiedź jest krótka: dziś to API, do którego wysyła się strumień audio i odbiera tekst z etykietami mówców. Integracja z systemami do obsługi posiedzeń albo z platformami do wideokonferencji, których urzędy już używają, to realne zadanie na kilka tygodni, nie projekt na rok.

Jeśli chcesz sprawdzić, gdzie w twojej instytucji automatyczna transkrypcja z diaryzacją da największy zwrot, umów się na bezpłatny audyt. Przejdziemy przez konkretne procesy i powiemy wprost, co ma sens, a co jeszcze nie.